자기조직화신경망을 활용한 속성가중치를 사용하는 사례기반추론의 예측 정확도에 관한 연구 (A Study on the application of Case-based Reasoning with Feature Weighting using Self-Organizing Map)

서지정보

· 발행기관 : 대한경영학회
· 수록지 정보 : 대한경영학회지 / 21권 / 1호 / 417 ~ 437페이지
· 저자명 : 이장희

초록

본 연구는 자기조직화신경망을 도입하여 기존에 제시된 속성가중치를 사용하는 사례기반추론의 예측 정확도를 향상할 수 있는 방법을 제시하였다. 제시한 방법은 사례기반추론의 사례 library에 저장된 사례중에서 예측대상 사례와 유사한 사례를 자기조직화신경망을 사용하여 추출하여 Shin et al.이 제시한 속성가중치를 사용하는 사례기반추론 방법을 적용한다. 본 연구에서 제시한 방법을 국내 반도체 제조기업의 수율 및 공정변수 데이터에 적용하여 수율 예측 정확도를 평가하였다. 평가결과, 속성가중치를 사용하는 사례기반추론 방법보다 본 연구에서 제시한 자기조직화신경망 기반의 속성가중치를 사용하는 사례기반추론 방법의 예측 정확도가 높았고 특별히 활동성 가중치를 가지는 방법이 예측 정확도가 가장 높았다.

영어초록

Case-Based Reasoning (CBR) has instance-based approach that consists of simply storing the presented training data. Case-Based Reasoning has generally the shortcomings of feature weighting and case-base refining to be applied to real world tasks. In this study, we proposed a new case-based reasoning method with feature weighting using self-organizing map (SOM), which improves those shortcomings. The proposed method uses the attribute weight value calculated from the trained back-propagation neural networks in CBR, which was proposed by Shin et al. The method also uses SOM neural network to extract cases group with having similar input attributes' pattern of an unseen case and then form a new case-base for performing the feature-weighted CBR based on it. To validate our proposed method, we apply it to real yield data of a semiconductor company. The prediction accuracy of feature-weighted CBR with the cases belonging to the newly formed case-base outperformed that of pure feature-weighted CBR, which uses all training cases.

참고자료

· 없음